go-shiori项目子路径部署时eventBus.js路径错误问题分析
在go-shiori项目的1.7.0版本中,当用户通过Nginx等反向代理将Shiori服务部署在子路径(如/shiori)下时,系统会出现一个前端资源加载路径错误的问题。这个问题主要影响eventBus.js文件的加载,导致前端功能可能无法正常工作。
问题现象
当Shiori服务被部署在子路径下时,前端页面中的大部分资源都能正确加载,但eventBus.js文件的引用路径却出现了问题。从页面源代码可以看到,其他资源都使用了正确的相对路径"./assets/...",而eventBus.js却使用了错误的"../assets/..."路径。
这种路径差异会导致浏览器尝试从错误的URL位置加载eventBus.js文件,最终导致404错误,进而可能影响前端功能的正常运行。
技术分析
这个问题本质上是一个前端资源路径配置问题。在单页应用(SPA)中,当应用被部署在子路径下时,所有资源引用都需要考虑基础路径(base path)的影响。
在go-shiori项目中,大部分前端资源引用都正确处理了子路径部署的情况,但eventBus.js的引用路径却意外地使用了"../"前缀,这会导致:
- 当应用部署在根路径时,可能不会出现问题
- 但当部署在子路径(如/shiori)下时,浏览器会尝试从/shiori/../assets/...加载资源,这实际上等价于/assets/...,跳出了应用的基础路径
解决方案
目前有两种可行的解决方案:
-
临时解决方案:使用Nginx的sub_filter模块重写路径 在Nginx配置中添加以下规则,可以临时修复这个问题:
sub_filter ../assets/js/component/eventBus.js ./assets/js/component/eventBus.js; -
根本解决方案:修复前端代码中的路径引用 项目维护者应该在源代码中修正eventBus.js的引用路径,确保它与其他资源使用相同的路径引用方式。这需要修改前端模板或构建配置,确保生成的HTML中使用正确的相对路径。
影响范围
这个问题主要影响:
- 使用Nginx等反向代理部署的用户
- 将Shiori服务部署在子路径下的场景
- 版本1.7.0的用户
对于直接部署在根路径或使用不同版本的用户,可能不会遇到这个问题。
最佳实践建议
对于Web应用开发,特别是需要支持子路径部署的应用,建议:
- 统一使用绝对路径或基于基础路径的相对路径
- 在前端构建过程中考虑部署环境的基础路径
- 提供配置选项让用户可以指定部署的基础路径
- 在开发环境中模拟子路径部署场景进行测试
通过遵循这些实践,可以避免类似的路径问题,提高应用在不同部署环境下的兼容性。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00